Core Concepts
의료 영상 인식을 위해 자기지도 학습 BYOL을 반지도 학습에 통합하여 레이블이 제한된 데이터에서도 높은 성능을 달성할 수 있다.
Abstract
이 논문은 의료 영상 인식 문제에서 레이블이 제한된 데이터의 한계를 해결하기 위해 자기지도 학습 기법인 BYOL을 반지도 학습에 통합하는 방법을 제안한다.
제안 방법은 다음과 같이 진행된다:
사전 학습 단계에서 BYOL을 사용하여 레이블이 없는 데이터로부터 유용한 표현을 학습한다.
사전 학습된 모델을 레이블이 있는 데이터로 미세 조정하여 분류기를 구축한다.
레이블이 없는 데이터에 대해 의사 레이블을 생성하고, 레이블이 있는 데이터와 결합하여 모델을 반복적으로 학습한다.
실험 결과, 제안 방법은 OCT2017, COVID-19 X-ray, Kvasir 데이터셋에서 기존 반지도 학습 방법들을 능가하는 높은 분류 정확도를 달성했다. 이를 통해 자기지도 학습과 반지도 학습의 통합이 레이블이 제한된 의료 영상 인식 문제에 효과적임을 보여준다.
Stats
의료 영상 데이터셋 OCT2017에서 250 epoch, 학습률 0.001, 의사 레이블 2,000개를 사용했을 때 분류 정확도 0.966을 달성했다.
의료 영상 데이터셋 COVID-19 X-ray에서 분류 정확도 0.987을 달성했다.
의료 영상 데이터셋 Kvasir에서 분류 정확도 0.976을 달성했다.
Quotes
"BYOL은 레이블이 없는 데이터만을 활용하여 학습하므로, 레이블이 제한된 의료 영상 인식 문제에 효과적이다."
"제안 방법은 레이블이 있는 데이터와 레이블이 없는 데이터를 모두 활용하여 모델 성능을 향상시킬 수 있다."